Kunstig intelligens-baseret RAdiogenomics i colon tumorer (ATTRACT)

ATTRACT-forsøget består af en retrospektiv og en prospektiv del. I den retrospektive del af forsøget, vil radiologi, patologi og genomik data fra 300 patienter med stadium II-III tyktarmskræft blive brugt til at identificere de genetiske og radiomiske egenskaber ved colontumorer og de kliniske endepunkter som resultaterne af den prædiktive model.

Tumorer vil blive manuelt segmenteret på CT-billeder og brugt til AI-modellen (kunstig intelligens). Patologiske annotationer vil blive knyttet til de tilsvarende anonymiserede profiler. Immunhistokemi vil blive brugt til at klassificere prøverne i de 4 molekylære undertyper i henhold til.RNA-seq-profiler vil også blive genereret fra vævsprøver gennem målrettet transkriptomik ved hjælp af brugerdefinerede NGS-paneler (næste-generations sekventering) specifikt designet til at evaluere genekspression og vurdere tumor mutationsbyrde (TMB). Rådata vil blive behandlet og modelleret ved hjælp af Topological Pathway Analysis for at stratificere patienter i henhold til de relevante molekylære træk og definere molekylære annotationer, der vil blive brugt til at træne modellen til identifikation af specifikke klinisk relevante grupper. Rådata sammen med radiologiske data vil blive brugt til at generere og træne AI-modellerne til den automatiserede segmentering og ekstraktion af den radiogenomiske signatur.

Radiomik-funktioner vil blive ekstraheret fra manuelt segmenterede tumorer. Standard PyRadiomics-værktøjer såvel som specialfremstillede værktøjer vil blive brugt. Funktionernes robusthed vil blive garanteret ved kun at vælge dem med høj statistisk korrelation mellem observatører. To familier af AI-modeller vil blive genereret, en familie dedikeret til segmentering og den anden dedikeret til radiogenomics-baseret fænotyping i henhold til de tilgængelige kliniske, molekylære biologi og patologiske data. De to familier vil blive fusioneret til skabelsen af ​​ATTRACT AI-modellen. Til genereringen af ​​disse modeller vil specifikke konvolutionelle neurale netværk (CNN) arkitekturer baseret på deep learning (DL) og kunstig intelligens som UNet og MaskNet blive anvendt. Træningen vil blive udført ved at bruge de manuelle ROI (region af interesse) segmenteringer som grundsandhed. Til generering af radiogenomiske analysemodeller vil radiomik og genomiske funktioner blive kombineret ved hjælp af forskellige multivariate algoritmer. Klassificeringsorganet vil blive trænet til at genkende kræftundertyper og kliniske endepunkter.

I den prospektive del af forsøget vil patienter med stadium II-III tyktarmskræft blive rekrutteret og vil gennemgå en præoperativ kontrastforstærket CT-undersøgelse. Rekrutteringsraten vil være 70 patienter om året, for i alt 210 patienter. Efter præoperativ CT vil operation blive udført i henhold til internationale standardprotokoller. Til sidst vil adjuverende terapi blive overvejet efter gældende retningslinjer. Patologisk prøve af den potentielle tilmelding vil blive analyseret. For det første vil patienter med RNA-seq data, TMB (af kodende gener) og kliniske data blive grupperet ved at gøre brug af to forskellige teknikker Markov Cluster algoritme (MCL) og t-SNE (t-fordelt stokastisk naboindlejring), Multi- Lagnetværksklynger. Patienter vil blive repræsenteret som node i et netværk, kanter mellem noder vil blive vægtet og tærskelværdier i henhold til Jaccard Similarity. Ligheden vil blive beregnet oven på genekspression, TMB og forstyrrelsesinformation, der kommer fra Topological Pathway Analysis. Resultater af clustering vil blive matchet med dem, der kommer fra immunhistokemi. Kliniske opfølgningsdata (dvs. resultatet af terapien osv...) vil, når det er tilgængeligt, også blive tilsluttet arbejdsgangen for at håndhæve læringen. Udvundet viden vil blive brugt til at kommentere det datasæt, der bruges til at træne og validere radiomikklassificeringen. Bruttoprøver vil blive analyseret for at udvinde forskellige transkriptomiske molekylære subtyper (CMS1, CMS2, CMS3, CMS4) i overensstemmelse med Colorectal Cancer (CRC) Subtyping Consortium (CRCSC), der vurderer tilstedeværelsen eller fraværet af kerneundertypemønstre blandt eksisterende genekspression- baserede CRC-undertypealgoritmer. Overensstemmelsen mellem patologisk molekylær profil og ctDNA-analyse under protokol vil være relateret til radiomikklassificering for at give en ny heldiagnostisk model for tilgang til CRC-behandling og overvågning.

Prospektive data vil blive brugt til at validere AI-modellerne. For segmenteringsmodellerne vil terningskoefficienten blive brugt som en indikator til at måle graden af ​​overlap mellem den automatiserede og ekspertsegmenteringen. For radiogenomics-modellen vil præstationer blive evalueret ved hjælp af nøjagtighed, integral under modtageroperatørkurven (ROC-AUC) og klinisk beslutningskurve. Efterforskerne vil også tage hensyn til, for at udvælge de bedste AI-modeller, responsen på variationen af ​​input-karakteristika og vil producere saliency-kort, hvor de funktioner i input-billedet, der mest bidrog til klassificeringen, fremhæves.

Klinisk evaluering vil blive udført hver 6. måned i 2 år, inklusive regelmæssige serum CEA (carcinoembryonic antigen) tests og Whole-Body CT hver 6.-12. måned hos patienter, der har højere risiko for tilbagefald i de første 3 år efter ESMO (europæisk Selskabet for Medicinsk Onkologi) retningslinjer. Sygdomsfri overlevelse (DFS) og tilbagefaldsfri overlevelse (RFS) vil blive beregnet.